如何用 Python 计算 Schaff 趋势周期（STC）？比 MACD 更快的趋势指标

Q: STC 真的比 MACD 好吗？

STC 通常**转向更早**（因为做了随机归一化），在趋势行情里体验更好；但"更早"也意味着在震荡市**更容易骗线**。没有免费的午餐，建议结合环境过滤（如震荡指数）使用。

Q: 需要付费吗？

单只股票日线在免费额度内即可；若要对**全市场**批量扫 STC 上穿 25 的票，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-15

如何用 Python 计算 Schaff 趋势周期（STC）？

一句话回答： Schaff 趋势周期（Schaff Trend Cycle, STC）由 Doug Schaff 提出，思路是「给 MACD 套上随机指标」：先算 MACD，再对 MACD 做两重随机(Stochastic)归一化 + 平滑，输出 0~100 的振荡线——STC 上穿 25 偏多、下穿 75 偏空，号称比 MACD 转向更早、比随机指标更少噪声。用 AlphaFeed 取前复权日线十几行即可实现，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

MACD 反应慢、信号滞后；随机指标(KD)快但震荡市噪声大。Schaff 的想法是取两者之长：用 MACD 捕捉趋势、再用随机指标的归一化让它”快起来”并压进 0~100 的有界区间，于是既有方向性又便于设超买超卖阈值。痛点是 STC 实现较绕——要对 MACD 连做两次”随机归一化+指数平滑”，很多人卡在平滑的递归写法和除零处理上。本文给出清晰的递归实现。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

from alphafeed import AlphaFeed
import numpy as np, pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=400,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

第 2 步：实现 STC（MACD → 两重随机 + 平滑）

def _smooth(series, factor=0.5):          # 递归平滑：pf = pf_prev + factor*(x - pf_prev)
    out = series.to_numpy(dtype=float, copy=True)
    for i in range(1, len(out)):
        if np.isnan(out[i]):           out[i] = out[i-1]
        elif not np.isnan(out[i-1]):   out[i] = out[i-1] + factor*(out[i]-out[i-1])
    return pd.Series(out, index=series.index)

def stc(close, fast=23, slow=50, cycle=10, factor=0.5):
    macd = close.ewm(span=fast, adjust=False).mean() - close.ewm(span=slow, adjust=False).mean()
    ll, hh = macd.rolling(cycle).min(), macd.rolling(cycle).max()
    k = (macd - ll) / (hh - ll).replace(0, np.nan) * 100       # 第一重随机(%K)
    d = _smooth(k, factor)                                      # 平滑
    ll2, hh2 = d.rolling(cycle).min(), d.rolling(cycle).max()
    kd = (d - ll2) / (hh2 - ll2).replace(0, np.nan) * 100       # 第二重随机
    return _smooth(kd, factor)                                  # 再平滑 = STC

df["stc"] = stc(df["close"])
print(df[["trade_date", "stc"]].tail())

实测（tools/verify_new_2026-10-15.py，SDK 0.1.4）：贵州茅台近 400 日 STC 尾值 ≈ 93.75（超买区），区间 0 ~ 100——STC 在高位说明当前处于上行周期的强势段。

第 3 步：超买超卖 + 上下穿信号

cross_up   = (df["stc"].shift(1) < 25) & (df["stc"] >= 25)   # 自下穿越 25 → 偏多
cross_down = (df["stc"].shift(1) > 75) & (df["stc"] <= 75)   # 自上穿越 75 → 偏空
print("最近 STC 上穿 25：", df.loc[cross_up, "trade_date"].tail(1).tolist())

常用法：STC 从 <25 回升上穿 25 视为转多，从 >75 回落下穿 75 视为转空；STC 持续贴近 100/0 表示强趋势。

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	前复权	必须，除权缺口会扭曲 MACD
`fast/slow`	23/50	STC 的 MACD 快慢线（比常规 12/26 长）
`cycle`	10	两次随机归一化的回看周期
`factor`	0.5	递归平滑系数
STC	0~100	<25 超卖 / >75 超买
上穿 25 / 下穿 75	转多/转空	经典信号

关键坑与注意事项

参数口径多样：STC 常见参数 (23,50,10) 或 (12,26,10)，平滑系数、循环长度各实现不同；对比软件前先统一参数。
“更快”的代价是更吵：STC 比 MACD 转向早，但在震荡/无趋势时会频繁在 0/100 间跳动，假信号不少，需配合趋势过滤。
除零与 NaN：随机归一化分母 hh−ll 可能为 0（平台期），必须 replace(0, nan) 并在平滑里前向填充。
递归平滑：STC 两步都带指数平滑，依赖前值，必须循环实现，前段不稳定。
前复权必须：MACD 基于价格，除权缺口会制造假趋势。
有界≠有效：压进 0~100 便于设阈值，但不代表信号更准，仍需回测验证。

常见问题（FAQ）

Q：STC 真的比 MACD 好吗？ A：STC 通常转向更早（因为做了随机归一化），在趋势行情里体验更好；但”更早”也意味着在震荡市更容易骗线。没有免费的午餐，建议结合环境过滤（如震荡指数）使用。

Q：STC 和 KDJ、MACD 的关系？ A：STC = 对 MACD 的结果再跑两遍随机指标并平滑。可以理解为”趋势(MACD) + 快速归一化(Stochastic)“的合体，兼具两者特征。

Q：需要付费吗？ A：单只股票日线在免费额度内即可；若要对全市场批量扫 STC 上穿 25 的票，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

Schaff 趋势周期把 MACD 再做两重随机归一化与平滑，得到 0~100、转向更快的趋势振荡线，上穿 25 偏多、下穿 75 偏空。用 AlphaFeed 的前复权日线十几行即可实现——记住参数口径要统一、处理除零与递归平滑、“更快”在震荡市也更易骗线。